近年來,社交網(wǎng)站中圖片及視頻爆炸式的增長,當(dāng)今的互聯(lián)網(wǎng)呈現(xiàn)跨媒體的趨勢�？缑襟w數(shù)據(jù)指多個(gè)社交網(wǎng)站中多種模態(tài)的數(shù)據(jù),它們之間的底層表現(xiàn)異構(gòu)性,給跨媒體數(shù)據(jù)語義關(guān)聯(lián)的挖掘帶來困難。且由于社交網(wǎng)站是人們獲取并討論熱點(diǎn)話題的聚集地,面向社交網(wǎng)站“話題”分析的跨媒體話題檢測與觀點(diǎn)分析成為輿情分析領(lǐng)域的重要研究課題。但現(xiàn)有研究幾乎沒有專門針對多個(gè)社交網(wǎng)站且多種模態(tài)數(shù)據(jù)的,未能準(zhǔn)確抓住跨媒體數(shù)據(jù)的特點(diǎn),導(dǎo)致研究結(jié)果的片面性。因此,本課題對跨媒體數(shù)據(jù)的話題檢測和觀點(diǎn)分析進(jìn)行研究。該研究課題依托于北京市教育委員會的科學(xué)研究與研究生培養(yǎng)共建的科研項(xiàng)目——基于社交感知的跨媒體數(shù)據(jù)分析與挖掘研究。本論文旨在通過這兩個(gè)研究,對社交網(wǎng)站上的熱門話題進(jìn)行深入的輿情分析,主要的研究內(nèi)容和創(chuàng)新成果如下:1.針對跨媒體數(shù)據(jù)的表現(xiàn)形式異構(gòu)導(dǎo)致無法直接關(guān)聯(lián)計(jì)算的問題,提出了一個(gè)基于圖的方法對跨媒體數(shù)據(jù)進(jìn)行融合的框架,并提出利用社交網(wǎng)站特有的標(biāo)簽信息增強(qiáng)數(shù)據(jù)相似性的關(guān)聯(lián)。通過采用圖的方法,實(shí)現(xiàn)有效的將跨媒體數(shù)據(jù)融合到一個(gè)圖中;通過借助標(biāo)簽信息作為連接不同社交網(wǎng)站的紐帶,實(shí)現(xiàn)消除跨媒體數(shù)據(jù)表現(xiàn)形式異構(gòu)特點(diǎn)帶來的問題。實(shí)驗(yàn)表明該方... 

【文章來源】：北京郵電大學(xué)北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：70 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２－１網(wǎng)絡(luò)輿情分析研究方向和專題??在網(wǎng)絡(luò)輿情基本概念研究中包括三個(gè)專題，第一個(gè)專題為網(wǎng)絡(luò)輿情分析定義??研究，從網(wǎng)絡(luò)輿情涉及到的主體、客體和媒介等多角度對網(wǎng)絡(luò)輿情進(jìn)行內(nèi)涵的解??

這種方式被稱為詞袋模型（Ｂａｇ?ｏｆ?Ｗｏｒｄｓ，?ＢｏＷ）。利用ＬＤＡ模型去找到??語料庫的潛在主題則是利用了生成過程的逆過程，根據(jù)己經(jīng)得到的文檔，去找到??文檔的主題概率分布，以及每一個(gè)主題下的單詞概率分布，圖２－２描述了?ＬＤＡ??的概率圖模型。在此首先聲明圖中變量所代表的含義，其中，ａ，０是狄利克雷分??布參數(shù)，０是文檔－主題概率分布，是主題－詞概率分布，ｚ是當(dāng)前采樣詞所屬主??題編號，ｗ是當(dāng)前文檔的當(dāng)前采樣詞，該語料庫共有Ｍ篇文檔，每篇文檔有ｉＶ個(gè)??詞，共有足個(gè)主題。該模型的生成過程如圖２－２所示：??Ｑ???？＜Ｄ—？—＾ｚ）Ｎ???Ｍ??圖２＿２ＬＤＡ的圖模型??１１??

（２）基于主題模型的算法??與話題檢測類似，在觀點(diǎn)聚類中也可采用ＬＤＡ模型，ＬＤＡ將文檔和單詞表??示為關(guān)于主題的概率分布，并獲得每篇文檔和所有主題之間的關(guān)系，以及所有單??詞和每個(gè)主題的概率分布，具體ＬＤＡ模型的生成過程己經(jīng)在上一小節(jié)具體講述，??此處不再贅述，本小節(jié)主要對現(xiàn)有的相關(guān)研究進(jìn)行闡述。Ｚｈａｏ等人［４４］提出??ＴｗｉｔｔｅｒＬＤＡ模型，不同于傳統(tǒng)的ＬＤＡ，被認(rèn)為是第一個(gè)專門為Ｔｗｉｔｔｅｒ數(shù)據(jù)設(shè)計(jì)??的主題模型。與傳統(tǒng)的新聞文檔不同，推文短而且噪聲大，ＴｗｉｔｔｅｒＬＤＡ模型對??Ｔｗｉｔｔｅｒ網(wǎng)站中的數(shù)據(jù)在ＬＤＡ的基礎(chǔ)上做出了一個(gè)重大改變，因?yàn)橥莆牡拈L度相??對較短，他們認(rèn)為每條ｔｗｅｅｔ只映射到一個(gè)主題，而不是作為主題多項(xiàng)式分布的??文檔。這種思路后來被很多人釆用，由于現(xiàn)在的社交網(wǎng)站中的數(shù)據(jù)通常都是有字??數(shù)限制的，較為短小，ＴｗｉｔｔｅｒＬＤＡ模型很適用于這種數(shù)據(jù)。Ｌｌｅｗｅｌｌｙｎ等人［４５］重??點(diǎn)關(guān)注新聞評論的聚類，與許多社交媒體數(shù)據(jù)一樣，評論數(shù)據(jù)包含非常短的文本??數(shù)據(jù)，由于ＬＤＡ更適用于長文本，文檔中的單詞數(shù)量是ＬＤＡ模型性能的限制因??素。因此他們提出可以結(jié)合注釋來形成更大的文檔，以提高聚類的質(zhì)量。他們使??－一一

【參考文獻(xiàn)】：
期刊論文
[1]網(wǎng)絡(luò)輿情研究現(xiàn)狀與發(fā)展方向[J]. 王漢熙,萬成娜,劉凱.  哈爾濱工業(yè)大學(xué)學(xué)報(bào)(社會科學(xué)版). 2015(01)
[2]面向用戶觀點(diǎn)分析的多分類器集成和優(yōu)化技術(shù)[J]. 林煜明,朱濤,王曉玲,周傲英.  計(jì)算機(jī)學(xué)報(bào). 2013(08)



本文編號：2953936